在多中心重症监护数据中寻找分布外环境

临床机器学习模型在训练时未见的设定下测试时表现出显著的性能下降。域泛化模型有望缓解此问题，然而关于其是否优于传统训练仍存在质疑。本工作中，我们采取原则性方法识别分布外(OoD)环境，动机来自重症监护中跨医院泛化问题。我们提出基于模型与启发式的方法来识别 OoD 环境，并系统比较具有不同保留信息水平的模型。我们发现，访问 OoD 数据并未转化为性能提升，指向定义潜在 OoD 环境的固有局限，可能源于数据协调与采样。呼应文献中其他流行临床基准的类似结果，需要新方法来在健康记录上评估鲁棒模型。